[发明专利]基于多任务卷积神经网络的人脸识别及属性分类方法

说明书

本发明涉及计算机视觉技术，其公开了一种基于多任务卷积神经网络的人脸识别及属性分类方法，在人脸识别任务和属性分类任务上同时达到较高的精确度。该方法包括以下步骤：S1、对人脸图像样本进行预处理；S2、通过设计的多任务卷积神经网络模型对预处理后的人脸图像样本提取出属性特征和人脸全局特征；S3、基于注意力机制计算不同属性与人脸识别任务的相关度，并根据相关度将属性特征融合进人脸特征中；S4、多任务卷积神经网络模型同时进行人脸识别任务和属性分类任务，并通过计算损失来训练优化模型；S5、利用优化后的模型对输入的人脸图像同时进行属性分类和人脸识别任务。

技术领域

本发明涉及计算机视觉技术，具体涉及一种基于多任务卷积神经网络的人脸识别及属性分类方法。

背景技术

人脸识别是一种基于计算机的生物特征识别技术，与指纹识别、虹膜识别、声纹识别等其它生物特征识别技术的共同特点是用来识别的特征都是唯、并且不容易发生变化，可保证信息的不易伪造和不易混淆。人脸识别具有贴近人脸的视觉感知且容易获取并可以进行事后的检索等特点，因此已经广泛应用在安防监控、网上支付、门禁考勤等各个领域。属性作为识别目标的中间层表示，它提供了介于低维特征和高维标签之间的一个抽象功能。当人脸因为不同角度光照等外在元素产生大幅度变化时，许多人脸属性却并没有受到影响，因此通过提取人脸属性中不容易变化的语义信息，能提升人脸识别的准确率，同时人脸特征中所包含的全局信息与身份信息，也能进一步提升属性识别的准确率。

深度神经网络在人脸识别任务和属性分类任务上都达到了极高的准确率，但却很难设计一个多任务网络同时进行这两个任务，这其中最大的难点就是如何将人脸特征与属性特征进行融合。目前基于深度学习的多任务融合方式主要有两种，分别为基于聚合的方法和基于子空间学习的方法。

基于聚合的方法是利用网络提取属性特征和身份鉴别特征，然后在特征层面上进行简单连接。该方法往往要限定聚合的特征具有相同的维度，再进行元素求平均或者相乘的操作，得到融合后的特征。基于子空间学习的方法是将这两种特征串联起来，再将串联后的特征映射到一个更适合的子空间，然后采用相关算法来学习映射的参数。神经网络中经常使用全连接层来进行映射，全连接的参数则由模型的损失通过梯度下降算法进行优化。

这两种方法将属性特征与人脸特征进行融合后直接进行人脸识别任务，都没考虑到人脸特征所包含的身份信息对属性分类任务的帮助。同时人脸的属性相差很大，从局部特征(比如：嘴巴大小)到整体特征(比如：性别)与人脸识别任务的相关性显然并不一致。这两种方法对各个属性以等权重的方式融合进人脸识别任务中，会加入不少与任务无关的噪音，让模型难以同时在多个任务上达到较高精确度。

发明内容

本发明所要解决的技术问题是：提出一种基于多任务卷积神经网络的人脸识别及属性分类方法，在人脸识别任务和属性分类任务上同时达到较高的精确度。

本发明解决上述技术问题采用的技术方案是：

基于多任务卷积神经网络的人脸识别及属性分类方法，包括以下步骤：

S1、对人脸图像样本进行预处理；

S2、通过设计的多任务卷积神经网络模型对预处理后的人脸图像样本提取出属性特征和人脸全局特征；

S3、基于注意力机制计算不同属性与人脸识别任务的相关度，并根据相关度将属性特征融合进人脸特征中；

S4、多任务卷积神经网络模型同时进行人脸识别任务和属性分类任务，并通过计算损失来训练优化模型；

S5、利用优化后的模型对输入的人脸图像同时进行属性分类和人脸识别任务。

作为进一步优化，步骤S1具体包括：

S11、获取人脸图像样本数据集；

S12、对人脸图像样本数据集中的人脸图像样本进行人脸属性和身份的标注；